BP网络常用传递函数_精品文档Word文档格式.docx
《BP网络常用传递函数_精品文档Word文档格式.docx》由会员分享，可在线阅读，更多相关《BP网络常用传递函数_精品文档Word文档格式.docx（5页珍藏版）》请在冰豆网上搜索。
本论文中采用网络结构增长型方法，即先设置较少的节点数，对网络进行训练，并测试学习误差，然后逐渐增加节点数，直到学习误差不再有明显减少为止。
newff（）
功能建立一个前向BP网络
格式net=newff（PR，[S1S2...SN1]，{TF1TF2...TFN1}，BTF，BLF，PF）
说明
net为创建的新BP神经网络；
PR为网络输入取向量取值范围的矩阵；
[S1S2…SNl]表示网络隐含层和输出层神经元的个数；
{TFlTF2…TFN1}表示网络隐含层和输出层的传输函数，默认为‘tansig’；
BTF表示网络的训练函数，默认为‘trainlm’；
BLF表示网络的权值学习函数，默认为‘learngdm’；
PF表示性能数，默认为‘mse’。
参数TFi可以采用任意的可微传递函数，比如transig，logsig和purelin等；
训练函数可以是任意的BP训练函数，如trainm，trainbfg，trainrp和traingd等。
BTF默认采用trainlm是因为函数的速度很快，但该函数的一个重要缺陷是运行过程会
消耗大量的内存资源。
如果计算机内存不够大，不建议用trainlm，而建议采用训练函数trainbfg或trainrp。
虽然这两个函数的运行速度比较慢，但它们的共同特点是内存占用量小，不至于出现训练过程死机的情况。
参数TFi可以采用任意的可微传递函数，比如transig，logsig和purelin等；
训练函数可以是任意的BP训练函数，如trainm，trainbfg，trainrp和traingd等。
BTF默认采用trainlm是因为函数的速度很快，但该函数的一个重要缺陷是运行过程会消耗大量的内存资源。
虽然这两个函数的运行速度比较慢，但它们的共同特点是内存占用量小，不至于出现训练过程死机的情况。
训练函数：
包括梯度下降bp算法训练函数traingd，动量反传递的梯度下降bp算法训练函数traingdm，动态自适应学习率的梯度下降bp算法训练函数traingda，动量反传和动态自适应学习率的梯度下降bp算法训练函数traingdx，levenberg_marquardt的bp算法训练函数trainlm。
BP网络一般都是用三层的，四层及以上的都比较少用；
传输函数的选择，这个怎么说，假设你想预测的结果是几个固定值，如1,0等，满足某个条件输出1，不满足则0的话，首先想到的是hardlim函数，阈值型的，当然也可以考虑其他的；
然后，假如网络是用来表达某种线性关系时，用purelin---线性传输函数；
若是非线性关系的话，用别的非线性传递函数，多层网络时，每层不一定要用相同的传递函数，可以是三种配合，可以使非线性和线性，阈值的传递函数等；
compet---竞争型传递函数；
hardlim---阈值型传递函数；
hardlims---对称阈值型传输函数；
logsig---S型传输函数；
poslin---正线性传输函数；
purelin---线性传输函数；
radbas---径向基传输函数；
satlin---饱和线性传输函数；
satlins---饱和对称线性传输函数；
softmax---柔性最大值传输函数；
tansig---双曲正切S型传输函数；
tribas---三角形径向基传输函数；
二、神经元上的传递函数
传递函数是BP网络的重要组成部分，必须是连续可微的，BP网络常采用S型的对数或正切函数和线性函数。
Logsig传递函数为S型的对数函数。
调用格式为：
A=logsig（N）
N：
Q个S维的输入列向量；
A：
函数返回值，位于区间（0,1）中
info=logsig（code）
依据code值的不同返回不同的信息，包括：
deriv——返回微分函数的名称；
name——返回函数全程；
output——返回输出值域；
active——返回有效的输入区间
例如：
n=-10：
0.1:
10;
a=logsig（n）;
plot（n,a）
matlab按照来计算对数传递函数的值：
n=2/（1+exp（-2n））
函数logsig可将神经元的输入（范围为整个实数集）映射到区间（0，1）中。
三、BP网络学习函数
learngd
该函数为梯度下降权值/阈值学习函数，通过神经元的输入和误差，以及权值和阈值的学习速率，来计算权值或阈值的变化率。
调用格式;
[dW,ls]=learngd（W,P,Z,N,A,T,E,gW,gA,D,LP,LS）
以一个单隐层的BP网络设计为例，介绍利用神经网络工具箱进行BP网络设计及分析的过程
1.问题描述
通过对函数进行采样得到了网络的输入变量P和目标变量T：
P=-1：
1;
T=[-0.9602-0.577.-0.07290.37710.64050.66000.46090.1336-0.2013-0.4344-0.5000-0.3930-0.16470.09880.30720.39600.34490.1816-0.0312-0.2189-0.3201]
2.网络的设计
网络的输入层和输出层的神经元个数均为1，网络的隐含神经元个数应该在3~8之间。
网络设计及运行的代码：
s=3:
8;
res=1:
6;
fori=1:
net=newff（minmax（P）,[s（i）,1],['
tansig'
logsig],'
traingdx'
）;
net.trainParam.epachs=2000;
net.trainParam.goal=0.001;
net=train（net,P,T）
y=sim（'
net,P'
）
error=y-T;
res（i）=norm（error）;
end
代码运行结果：
网络训练误差
%获取训练数据与预测数据
input_train=data（n（1:
9900）,1:
3）'
;
output_train=data1（n（1:
9900）,1）'
input_test=data（n（9901:
10000）,1:
output_test=data1（n（9901:
10000）,1）'
%数据归一化
[inputn,inputps]=mapminmax（input_train）;
[outputn,outputps]=mapminmax（output_train）;
%%bp训练
%初始化网络结构
net=newff（inputn,outputn,100）;
net.trainParam.show=30;
net.trainParam.epochs=300;
net.trainParam.lr=0.01;
net.trainParam.goal=1e-6;
%网络训练
net=train（net,inputn,outputn）;
%%bp预测
%预测数据归一化
inputn_test=mapminmax（'
apply'
input_test,inputps）;
%网络预测输出
an=sim（net,inputn_test）;
%网络输出反归一化
BPoutput=mapminmax（'
reverse'
an,outputps）;
%%结果分析
figure
plot（BPoutput,'
:
og'
holdon
plot（output_test,'
-*'
legend（'
预测输出'
'
期望输出'
fontsize'
12）
title（'
BP网络预测输出'
xlabel（'
样本'
ylabel（'
输出'
%预测误差
error=BPoutput-output_test;
plot（error,'
神经网络预测误差'
errorsum=sum（abs（error））
savedata2netinputpsoutputps
升级会员 